FMLCA: algoritmos de clasificación de aprendizaje automático federados explicables y que preservan la privacidad para...

Área de la Ciencia:

• La inteligencia artificial es inteligencia artificial.
• La informática médica es la informática médica.
• Biología computacional Biología computacional.

Sus antecedentes:

• Las enfermedades del corazón son una de las principales causas mundiales de mortalidad.
• Los modelos de aprendizaje automático (ML) se utilizan cada vez más para predecir la enfermedad de las arterias coronarias (CAD).
• El Aprendizaje Federado (FL) permite la capacitación en el modelo de colaboración al tiempo que preserva la privacidad de los datos.

Objetivo del estudio:

• Desarrollar y evaluar algoritmos federados de clasificación de aprendizaje automático (FMLCA) para la predicción de CAD.
• Para evaluar el rendimiento de varios modelos de ML, incluidos el árbol de decisiones, AdaBoost, KNN, Random Forest y XGBoost.
• Incorporar técnicas de preservación de la privacidad como el k-anonimato y utilizar SHAP para la interpretabilidad del modelo.

Principales métodos:

• Implementación de FMLCA en una plataforma de computación en la nube.
• Aplicación del k-anonimato para la preservación de la privacidad.
• Utilizando las explicaciones aditivas de SHapley (SHAP) para el análisis de la importancia de las características.
• Comparación de múltiples algoritmos de clasificación ML para la predicción de CAD.

Principales resultados:

• El modelo de Bosque Aleatorio (RF) demostró un rendimiento superior entre los algoritmos evaluados.
• El modelo de RF logró una precisión del 83,21% con preservación de la privacidad y del 84,49% sin ella.
• El análisis SHAP proporcionó transparencia al identificar las características predictivas clave para CAD.

Conclusiones:

• La FMLCA basada en la nube ofrece una predicción CAD eficiente y precisa en entornos distribuidos.
• El estudio destaca la importancia de la privacidad y la seguridad en la atención médica predictiva.
• Este enfoque avanza en las herramientas predictivas de atención médica, apoyando un ecosistema de atención médica centrado en el paciente.